Master of Informatics - Applied Data Science (MoI)

Gedurende de 22 jaar die Nils van Os-van Helmond bij de ABN AMRO werkt, heeft hij naast zijn acht opeenvolgende fulltime functies een verhuisdoos vol aan afgeronde cursussen en opleidingen. Met als laatste wapenfeit de deeltijd Master of Informatics Applied Data Science  aan de Hogeschool Utrecht. Waar hij de motivatie vandaan haalt en wat de master hem heeft gebracht, lees je hier.

Intrinsiek gemotiveerd om te leren en te begrijpen

In 2002 begint Nils als Sales Advisor bij ABN AMRO. Acht functies en 22 jaar verder is hij Quantative Credit Risk Analyst & Model Expert bij diezelfde bank. “Omdat ik intrinsiek gemotiveerd ben om te leren en te begrijpen, heb ik naast mijn fulltimebaan, voortdurend cursussen, certificaten en opleidingen gevolgd.”

Schoolvoorbeeld van leven lang leren

Als iemand ‘een leven lang leren’ heeft omarmd is Nils het dus wel. Een kleine greep uit de opleidingen die hij volgde: Bachelor of Business Administration, Post-bachelor - Big Data Analist, Master of Business Administration - Big Data Analytics die hij cum laude afrondt en een kast vol licenties, diploma’s en certificaten van onder andere DataCamp en NIBE-SVV. Zijn laatste wapenfeit is de Master of Informatics - Applied Data Science aan de Hogeschool Utrecht (HU) die hij in juni 2023 heeft afgerond.

Financiële kennis én datakennis

Mede dankzij de vele opleidingen maakt Nils ook stappen binnen ABN AMRO en leert hij de bank van verschillende kanten kennen. “Ik heb zowel kennis en ervaring binnen de business en Credit Risk als op het gebied van data en modellen. Daarom kan ik extra toegevoegde waarde bieden in mijn huidige baan die op het snijvlak ligt van business en modelling. Dankzij mijn gecombineerde kennis en ervaring kan ik ‘tolken’ tussen data scientists en bankiers. Ze spreken allebei een ander jargon, ik kan ze helpen elkaar beter te begrijpen.

Een nieuwe functie en een nieuwe opleiding

Na het afronden van zijn MBA Big Data Analytics wil Nils zijn opgedane kennis niet verloren laten gaan en start hij in zijn huidige functie waarin hij de deze kennis ook toe kan passen in de praktijk. Nils: “Een collega student waarmee ik de MBA had gedaan, wees mij op de deeltijd Master of Informatics - Applied Data Science aan de HU, welke complementair is aan de kennis die ik tijdens de MBA heb opgedaan. Die ben ik toen gaan doen. Een deel van de lessen werd vanwege de corona-restricties digitaal verzorgd maar de HU wist dit goed te faciliteren. Ook tijdens het schrijven van mijn thesis was de begeleiding vanuit de HU erg goed. Dr. Martin van den Berg, mijn begeleider, was bijzonder kundig, altijd bereikbaar en nam uitgebreid de tijd om met mij te sparren.

Early Warning Signal Model

Voor zijn masterthesis bouwde Nils voort op zijn MBA-thesis. Nils: “Het Early Warning Signal Model (EWS model) dat ik voor mijn MBA-thesis bouwde, is gebaseerd op logistische regressie, een klassiek modeltype dat al decennialang wordt gebruikt. Zo’n EWS model signaleert op basis van transactiedata van een cliënt of er een verhoogd kredietrisico is. Bijvoorbeeld als een klant continu tegen de limiet aanzit of als de omzet plotseling fors terugvalt. Voor mijn masterthesis heb ik onderzocht of dit model beter zou presteren indien het gebaseerd zou zijn op een meer modern modeltype, maar dan wel met behoud van de uitlegbaarheid. Uiteindelijk was het resultaat een XGB (Extreme Gradient Boosting) model dat uitlegbaar is gemaakt aan de hand van diverse technieken waaronder Shapley Values.”

Nieuw model presteert significant beter

“In mijn thesis heb ik aan kunnen tonen dat het binnen de huidige wet- en regelgeving en de kaders van onder andere de ECB en DNB mogelijk zou moeten zijn om een dergelijk model in de praktijk in te zetten. Omdat ik voor beide modellen exact dezelfde data heb gebruikt en ook de werkwijze waar mogelijk gelijk was, kon ik de impact van het gehanteerde modeltype isoleren. Zo heb ik aan kunnen tonen dat het XGB modeltype in deze situatie significant beter presteert. Zo kan een toenemend kredietgebruik normaal als een risico worden gezien, maar als dit gepaard gaat met een stevige omzetgroei, dan ligt dat veel genuanceerder. Met dit soort nuances kunnen de meer geavanceerde modeltypen veel beter rekeninghouden.”

Uitlegbaarheid van het model

“Tenslotte is het mij ook gelukt om het model uitlegbaar te maken. Heel belangrijk, want als je contact legt met een klant vanwege een signaal van het systeem, moet je ook aan kunnen geven waarom er een verhoogd kredietrisico wordt verondersteld. Tijdig signaleren is overigens zowel voor de bank als voor de klant relevant, want hoe vroeger je signaleert, hoe meer ruimte er nog is om potentiële problemen samen op te kunnen oplossen.”

Relevant voor werkgever

“De uitkomst van de thesis is ook relevant gebleken voor mijn werkgever. Op dit moment is de onderzoeksfase naar herontwikkeling van het huidige EWS model gestart. Diverse inzichten die ik heb opgedaan tijdens het schrijven van de thesis staan op de lijst om in de overwegingen meegenomen te worden. Ook het dashboard dat ik ontwikkelde ten behoeve van de uitlegbaarheid van het EWS model wordt door velen als een waardevolle toevoeging gezien.”

Tekst: Menno Hessels Tekst & Idee

Ellis Nijland (32) volgde de tweejarige Master of Informatics met het profiel Applied Data Science aan Hogeschool Utrecht. Via verschillende cursussen en werkervaring had ze zich al ontwikkeld tot een ervaren data analist, maar om verder te komen is meer nodig. Ellis: “Je hebt een heleboel aan praktijkervaring, maar zo’n papiertje is ontzettend belangrijk. Zowel voor het uitbreiden van je praktische en theoretische kennis als voor het vervolg van je carrière.”

“Toen ik na mijn studie Kunsten, Cultuur en Media aan de Universiteit van Groningen niet in dat werkveld bleek te kunnen aarden, ben ik bij het UWV aan de slag gegaan. Daar kwam ik tijdens het bouwen van een nieuw matchingsysteem in contact met data analisten en data scientists. Toen is mijn interesse in data ontstaan en via cursussen en in de praktijk heb ik mij er vervolgens verder in ontwikkeld.”

Ik miste theoretische kennis

“Toen mijn contract bij het UWV na twee jaar niet kon worden verlengd, werd ik benaderd door House of Bèta, een detacheerder binnen de IT, Data Science en Cyber Security. Via hen ben ik bij TKP, een grote pensioenuitvoerder, als data analist aan de slag gegaan. Na verloop van tijd kreeg ik daar steeds meer seniortaken op mijn bordje. Heel leuk natuurlijk, maar ik merkte wel dat ik theoretische kennis miste om die taken met vertrouwen te kunnen uitvoeren.” 

“Mijn coach bij House of Bèta raadde me aan een master te gaan doen. Ter oriëntatie heb ik vervolgens met verschillende mensen in het werkveld gesproken. Aan de hand van die gesprekken heb ik voor de Master of Informatics aan de HU gekozen die inhoudelijk goed aansloot op wat ik nodig had. 

Werkgever betaalt master

Gelukkig was House of Bèta bereid het overgrote deel van de studiekosten op zich te nemen en heb ik maar een kleine bijdrage hoeven leveren. Echt heel erg fijn. Uiteindelijk heeft TKP de studieschuld overgenomen toen ik daar na vijf jaar detachering in vaste dienst kwam.”

“De Master of Informatics is heel divers, zowel praktisch als theoretisch. De meer praktische vakken, zoals programmeren, worden vooral door mensen uit de praktijk gegeven met veel leuke voorbeelden uit hun dagelijkse werk. Bij het uitvoeren van de opdrachten is er ook veel ruimte om zelf onderwerpen in te brengen uit de eigen organisatie. Zo profiteert jouw werkgever al tijdens de studie van wat je leert. De meer theoretische vakken, zoals bijvoorbeeld Ethiek in de digitale wereld, worden gegeven door docenten van de HU. Al met al een mooie en logische verdeling.

Genoten van de colleges

Ik moet zeggen dat ik heb genoten van de colleges en de omgang met docenten. Er wordt echt naar je geluisterd en je kan altijd input geven en vragen stellen. Zo kreeg ik bij het vak Machine learning persoonlijke begeleiding en opdrachten op mijn eigen niveau, omdat het voor mij zo af en toe nog wat te hoog gegrepen was. Dus maatwerk per student.

Qua studie-investering heb ik vooral bij de praktische programmeervakken meer tijd besteed dan de 15 à 20 uur die er per week voor staan. Maar dat is de aard van het beestje, ik vind het geen probleem om er in de avonden en weekenden lekker mee bezig te zijn. Al bleef er vooral tijdens mijn scriptie naast mijn werkweek van ruim 40 uur, weinig tijd over voor vrienden en sporten.

Scriptieonderwerp relevant voor werkgever

Voor mijn scriptie heb ik ‘terugwerkende kracht mutaties’ bij mijn werkgever TKP als onderwerp genomen. Veel deelnemers aan een pensioenregeling vergeten veranderingen in hun persoonlijke situatie door te geven. Om die te herstellen is een terugwerkende kracht mutatie nodig. Dit wil je zoveel mogelijk voorkomen omdat het bij dat soort mutaties al snel om veel geld gaat. Ik heb een model ontwikkeld waarmee je kunt voorspellen bij welke groepen deelnemers de kans op het niet doorgeven van bepaalde wijzigingen het grootst is. De uitkomsten van mijn onderzoek hebben verschillende inzichten opgeleverd die gebruikt kunnen worden voor het verbeteren van onze dienstverlening.

Waar data analisten vooral inzichten verzamelen over de huidige situatie, duikt een data scientist dieper in de materie om op basis hiervan voorspellingen te doen voor de toekomst. Als data analist ben ik inmiddels behoorlijk senior, maar als data scientist kan ik me nog verder ontwikkelen. Al merk ik wel dat ik sinds mijn master goed kan meepraten over theoretische zaken als machine learning technieken en specifieke modellen. Wat ik heb geleerd kan ik in mijn werk direct toepassen waardoor ik steviger in mijn schoenen sta. Ik kan deze master iedereen dan ook van harte aanraden!

Veel gaver dan gedacht
Nico van Kesteren volgde de mastermodule Machine Learning. Voordat Nico hieraan begon dacht dat hij al aardig wat te weten over dit onderwerp. ‘Niets bleek minder waar. Er is een wereld voor mij opengegaan. Dit vakgebied leek mij zeker interessant, maar het is nog veel gaver dan ik dacht.’ 

Nico legt uit dat hij leerde om de context beter te begrijpen, hoe machine learning conceptueel in elkaar steekt en wat nodig is om zaken werkend te maken en te verbeteren. ‘In het derde college ging het over neurale netwerken. Geweldig om dat nu ook te kunnen! Je hebt wel affiniteit met programmeren nodig om deze module succesvol af te kunnen ronden’.
De werkgever van Nico, verzekeraar ONVZ, wil zich ontwikkelen in de richting van Data en Machine Learning. Reden voor Nico om de toegepast wetenschappelijke opleiding Master of Informatics – Applied Data Science (MSc) te gaan volgen, waar de mastermodule Machine Learning onderdeel van is. Op dit moment is Nico de enige binnen de organisatie met deze kennis van Machine Learning en gaat het voortouw nemen in deze ontwikkelingen.

Magisch
Ook Nils van Os- van Helmond, werkzaam bij ABN- AMRO Bank, nam deel aan deze module. Nils legt uit dat men, door de wijze waarop in de media over Machine Learning wordt bericht, haast zou kunnen denken dat het iets magisch is. ‘In deze module kreeg ik het gevoel dat we bij de tovenaar achter de gordijntjes mochten kijken. Alle trucs werden ons uitgelegd’.

Hoewel het leren van een nieuwe programmeertaal volgens Nils veel tijd kost en soms heel frustrerend kan zijn, gaf het hem ook extra veel voldoening toen hij uiteindelijk iets in mocht leveren waar hij echt trots op is. ‘De docent is goed in staat de soms ingewikkelde lesstof heel begrijpelijk uit te leggen. De sterke focus op de praktische toepassing van de materie spreekt me ook heel erg aan’. Nils zegt over de docent dat hij inhoudelijk heel sterk is en gebruikmaakt van relevante en beeldende voorbeelden uit de praktijk. ‘Het was hard werken maar ik heb wel leren “toveren”!’  

Gids in de jungle

Docent Raoul Grouls over zijn mastermodule: ‘Machine Learning groeit enorm hard. Het wordt vaak het nieuwe goud genoemd en heel veel mensen willen wel “iets” met AI. Wat ik echter veel zie is dat mensen wel bezig zijn met code, maar eigenlijk niet begrijpen waarom ze bepaalde keuzes maken.’

Raoul legt uit dat er wat dat betreft ook veel samenkomt: programmeren, wiskunde, statistiek, maar ook psychologisch en zakelijk inzicht waarom bepaalde dingen gedaan worden. Die heb je echt allemaal nodig, en je zult ze creatief moeten combineren om echt goed te worden. 

‘Er zijn dan in het begin zoveel opties dat het voor studenten soms als een jungle voelt. Ik beschouw mijn rol dan als die van een gids, die de studenten leert spoorzoeken. Geen code blind kopiëren, maar zelfstandig onderzoek doen naar een model en onderbouwen waarom je bepaalde keuzes maakt. Wat dat betreft vond ik het heel mooi om te zien hoe studenten zich hebben ontwikkeld, om echt te zien dat het inzicht groeit en dat ze vervolgens zelfstandig op onderzoek uit durven gaan’.